摘要

在源域上训练的深度模型在面对数据分布不同的未见目标域时，往往缺乏良好的泛化能力。当无法获取目标域样本进行适应性调整时，这一问题尤为突出。本文研究领域泛化的语义分割任务，旨在训练一个无需使用任何目标域数据即可实现领域不变性的分割模型。现有方法通常通过将数据标准化为统一分布来应对该问题。然而，我们指出，尽管这种标准化有助于全局归一化，但所生成的特征在类别间区分度不足，难以形成清晰的分割边界。为在提升类别间分离性的同时增强领域不变性，我们提出一种包含两个新型模块的框架：语义感知归一化（Semantic-Aware Normalization, SAN）与语义感知白化（Semantic-Aware Whitening, SAW）。具体而言，SAN致力于对不同图像风格下的特征进行类别级中心对齐，而SAW则在已实现中心对齐的基础上，进一步实现特征分布的对齐。借助SAN与SAW的协同作用，我们有效增强了类内紧凑性与类间可分性。我们在多个广泛应用的数据集（包括GTAV、SYNTHIA、Cityscapes、Mapillary和BDDS）上进行了大量实验，验证了所提方法的有效性。实验结果表明，该方法在多种骨干网络上均显著优于现有最先进方法。代码已开源，地址为：https://github.com/leolyj/SAN-SAW。